Cómo usar Wan 3.0 para generar video con IA (2026): prompts y créditos

Wan 3.0 en Moosky, en una línea: es el motor de movimiento — cámara operada, física que aterriza, planos secuencia de hasta 30 segundos con audio nativo. Elegí la vía antes de escribir el prompt: Wan 3.0 T2V/FFLF para texto, primer fotograma y clave de entrada/salida; Wan 3.0 R2V cuando el look se copia de tus propias referencias. Borrá todo en el default barato (480P, 5 s: 49 créditos), corregí los verbos de cámara y pagá 1080P una sola vez — la tabla completa de crédito está acá, tomada del propio código de cobro del composer.

Wan 3.0 es el clip al que vas cuando el plano depende del movimiento: una cámara que tiene que sentirse operada, una física que tiene que cerrar, un plano secuencia de veinte segundos que a la mayoría de los motores se les rompe en el segundo ocho. Genera desde texto, desde un fotograma inicial, e interpola entre un primer y un último fotograma, hasta 30 segundos en 1080p, con audio nativo en la misma corrida. También es uno de los composers más caros de Moosky (costo medio-alto), y la razón por la que la gente abandona antes de su primera generación suele ser una sorpresa de crédito, no de calidad. Esta guía es el flujo completo, y el precio de cada paso está sobre la mesa antes de empezar.

Todos los números de abajo salen del propio código de cobro del composer en el repo de Moosky. Los créditos son la moneda de la plataforma a un tipo fijo de 100 créditos = US$1, comprados en paquetes, sin suscripción.

Respuestas rápidas

¿Cómo se usa Wan 3.0 para generar video con IA? Con cuatro pasos sobre el mismo composer: elegí primero la vía (T2V/FFLF para texto y fotogramas clave, R2V para referencias), fijá resolución, duración y orientación antes de escribir el prompt, borrá todo en 480P a 49 créditos los 5 segundos corrigiendo verbos de cámara y física, y pagá el re-run en 1080P una sola vez, para la toma ya aprobada. El composer cotiza el número exacto antes de despachar y las corridas fallidas se devuelven.

¿Cuánto cuesta un video con Wan 3.0? 10 créditos de base más un nivel por segundo que depende solo de resolución y duración: 49 el borrador default (5 s en 480P), 241 los 30 segundos completos en 480P, 934 los 30 segundos completos en 1080P. A 100 créditos = US$1, el borrador son cuarenta y nueve centavos y el hero de 30 segundos, US$9.34.

¿Qué es el modo FFLF de Wan 3.0? First-Last-Frame: subís un fotograma de apertura y uno de cierre y el prompt describe la transición entre ambos — expresión, acción, cámara, iluminación — mientras la identidad se sostiene. Es el modo de los antes/después y de los loops de producto. Un último fotograma sin inicial lo rechaza el composer.

¿Wan 3.0 genera audio? Sí: voz, ambiente y puntuación salen nativos en la misma corrida, y el precio no cambia entre toggle encendido o apagado. El diálogo citado se preserva palabra por palabra; el lip-sync frame-accurate es el punto débil documentado. Si tu borrador no lleva habla, escribí "No dialogue." o el modelo se inventa líneas.

¿Cuándo usar la vía R2V y no la T2V? Cuando el look viene de material propio: personaje, utilería, estilo o voz atados a referencias (hasta 10 imágenes, 5 clips y 5 pistas de audio) se trabaja en el composer R2V, porque la vía T2V/FFLF no mezcla fotogramas con material de referencia.

Qué hace bien Wan 3.0 (y dónde falla), para no descubrirlo a mitad del proyecto

El motor en Moosky es wan3.0-video vía DashScope, expuesto en dos composers:

• Wan 3.0 (T2V / FFLF) — texto-a-video, o imagen-a-video desde un fotograma inicial con un último fotograma opcional para interpolar hacia él. Es el protagonista de esta guía.
• Wan 3.0 (R2V) — referencia-a-video: anclás personaje, utilería, estilo y voz subiendo hasta 10 imágenes, 5 clips y 5 pistas de audio sueltas. La vía T2V/FFLF no mezcla fotogramas con material de referencia, así que los trabajos con referencias van allá, en la guía r2v en español.

Lo que el propio composer documenta como fuerte: control de primer/último fotograma, lenguaje de movimiento y de cámara, audio nativo de salida, y narrativa de 30 segundos en una sola pasada. Prefiere clips de 16 a 30 segundos para ese ritmo largo — algo raro, porque la mayoría de los motores se caen cerca de los 10.

Las limitaciones documentadas, para que no te las encuentres a mitad:

• El lip-sync exacto a palabras concretas es impredecible. El diálogo citado se preserva literal, pero la textura del audio todavía madura. Si el entregable es un movimiento de boca frame-accurate, LTX sigue siendo la opción de presentador hablado más barata.
• El texto en pantalla es aproximado. No armés un plano alrededor de un titular, etiqueta o logo legible.
• Último fotograma sin primero es inválido. El modo entrada/salida necesita ambos.

La cuenta honesta de crédito, antes de apretar generar

Cada corrida cuesta una base de 10 créditos más un cargo de duración por resolución, redondeado por segundo. El composer te muestra la cotización exacta antes de que nada se ejecute, y las corridas que fallan se devuelven. Esta es la tabla completa, calculada sobre las constantes de precio del composer:

Créditos, a 100 créditos = US$1 (el desglose motor por motor, en dólares, está en cuánto cuesta un video con IA). Tres cosas para internalizar:

1. El default que ves primero es deliberadamente barato. El composer abre en 480P, 5 segundos: 49 créditos.
2. La resolución es el multiplicador. 720P cuesta el doble que 480P por segundo; 1080P, otra vez el doble. Un plano secuencia de 30 segundos en 1080P son 934 créditos — una decisión de producción, no una corrida de ensayo.
3. La duración se cobra por segundo, así que los borradores son baratos y los finales no. El flujo de abajo está construido sobre esa asimetría. El toggle de audio no cambia el precio — el audio nativo cuesta igual con él encendido o apagado.

Paso 1 — Abrí el composer y tomá primero las decisiones estructurales

Entrá al composer de Wan 3.0 y definí resolución, duración y orientación antes de escribir una palabra del prompt. El composer precioa contra esas elecciones en vivo (existen variantes apaisada, vertical y cuadrada en cada nivel), así que siempre sabés qué cuesta una toma mientras decidís si vale la pena tomarla. Borrá en 480P.

Paso 2 — Escribí el prompt en la gramática del modelo

Wan 3.0 no expande prompts — lo que escribís es el prompt, en lenguaje natural (inglés o chino, hasta 20.000 caracteres). La guía del composer define tres formas según el modo:

Texto-a-video: entidad + escena + movimiento, más cámara y sonido. La forma oficial es sujeto + ambiente + movimiento + calidad cinematográfica + cámara, y el control estético sale de los términos de fuente de luz, tamaño de plano, ángulo, lente y movimiento.

El jinete espolea el caballo, el barro sale disparado de los cascos al galope. Luz cálida de fin de tarde, profundidad de campo rasa, plano medio, cámara tracking a la izquierda.

Declará la física en el hueco del movimiento en vez de esperar que un término de cámara la cargue — Wan 3.0 es fuerte en causa-efecto cuando la nombrás.

Solo fotograma inicial (imagen-a-video): la imagen ya define entidad, escena y estilo. Tu prompt es movimiento + cámara — no repitas la apariencia estática salvo que un detalle deba conservarse. Las señales de cámara que el modelo respeta: "camera pushes in", "camera pans right", "fixed camera" — escríbelas en inglés, que es la variante que el modelo entrena con más ejemplos.

Fotograma inicial + último (FFLF): describí la transición del primer fotograma hacia el último — expresión, acción, cámara, iluminación — mientras la identidad se sostiene. La forma oficial es un cambio de expresión gradual más un push-in de cámara más un corrimiento de luz. Es el modo de los antes/después y de los loops de producto que tienen que aterrizar en un fotograma de cierre específico.

El sonido es parte del prompt, no un añadido: líneas citadas más emoción, tono, velocidad y timbre. Dos oraciones previenen las sorpresas más comunes — escribí "No dialogue." si el borrador no tiene habla (el modelo si no se inventa líneas) y "No background music." si no querés que puntúe el clip él solo.

Si el clip tiene cortes, estructuracionalos: una descripción general, después Shot 1 [0–3 s] ..., Shot 2 ... con marcas de tiempo. Para un plano secuencia continuo, escribí "Generate single shot." en vez de inventar cortes que el modelo va a intentar actuar.

Paso 3 — Borrá en 480P y leé el resultado como editor

La primera pasada va en 480P: 49 créditos al default de 5 segundos, 126 a los 15. Juzgá cuatro cosas, cada una con su corrección de una línea:

• El movimiento de cámara no es el tuyo. Pusiste "cinematic" y el modelo inventó un travelling. Nombrá el verbo (push in, pan, truck, arc, tracking, static) y su velocidad, o clavealo con un último fotograma.
• La física se rompió. Una colisión o un disparo que debía pasar, no pasó. Ponela explícita en el hueco del movimiento — "the horse gallops, mud flies off the hooves on impact" le gana a "action scene".
• Inventó diálogo o música. Agregá la oración "No dialogue." / "No background music.".
• El plano largo se dispersó. Pasados los ~15 segundos una sola generación puede derivar del fotograma de apertura. Agregá un último fotograma que fuerce el regreso, o cortá el concepto en dos clips.

Iterá acá hasta que la toma esté 90% derecha. Cada revisión en 480P cuesta unos pocos créditos; la misma revisión en 1080P cuesta cuatro veces más y no te enseña nada nuevo.

Paso 4 — Escalá solo la toma aprobada

Cuando una toma está aprobada, re-ejecutá el mismo prompt y los mismos fotogramas en 720P o 1080P. Un hero de 15 segundos en 1080P son 472 créditos; un plano secuencia de 30 segundos en 1080P, 934. Si un plano no vale 472 créditos, tampoco valía aprobarlo en 480P. Las corridas fallidas se devuelven solas, así que una escalada que choca con un error de proveedor no te cuesta nada reintentar. Los clips exportan sin marca de agua por default (el toggle existe pero está apagado, y el precio es igual en los dos estados).

El caso del reloj: un reveal de producto de 12 segundos, con la cuenta completa

1. Preparate un still de apertura limpio y un still de cierre limpio (tu fotograma final objetivo).
2. Entrá al composer de Wan 3.0, cargá ambos fotogramas, ponele 480P y 12 segundos: 103 créditos.
3. Prompteá la transición: "The watch rotates slowly on the pedestal, light sweeping across the bezel; camera pushes in from three-quarter to macro. Soft room tone, no background music."
4. Repetí dos veces en 480P hasta que el barrido de luz aterrice (309 créditos en total).
5. Re-renderizá el prompt aprobado en 1080P para el corte heroico: 380 créditos. Proyecto entero: unos 689 créditos. Explorar desde el inicio en 1080P habría costado 1.140.

Notá lo que esta secuencia compra: la diferencia entre 689 y 1.140 créditos no es mejor gusto, es orden. El ensayo caro no existe si primero existe el ensayo barato.

Cuándo NO usar Wan 3.0

El precio castiga la elección equivocada más de lo que lo hace la calidad:

• Diálogo crítico de lip-sync — LTX (la opción de presentador hablado más barata) o MiniMax H3 (lip-sync horneado en la corrida).
• Personajes, utilería o muestras de voz atados a referencias — el composer Wan 3.0 R2V, no este.
• Iteración barata en clips cortos con diálogo — MiniMax es la opción económica por debajo de 15 segundos.
• Acción cinética pesada — Seedance sigue siendo el alternativo premium para peleas y persecuciones.

¿Todavía eligiendo motor? La vuelta modelo por modelo está en las mejores IA para generar videos, y el vocabulario de prompts en el que este flujo se apoya se desarrolla en cómo escribir el prompt de video en ChatGPT. Si tu plano arranca desde una foto y no desde un prompt, la guía de convertir una imagen en video con IA cubre el patrón de clave FFLF entre motores. ¿Leés en inglés? El original del mismo flujo, con la forma oficial del prompt citada textualmente, está en Wan 3.0 AI Video Workflow.

Preguntas frecuentes

¿Cuántos créditos cuesta un video con Wan 3.0? 10 de base más un nivel por segundo que depende solo de resolución y duración: 49 créditos el default que ves primero (5 s en 480P), 241 los 30 s completos en 480P, 934 los 30 s completos en 1080P. El composer cotiza el número exacto antes de despachar, y las corridas fallidas se devuelven.

¿Cuánto cuesta un crédito en dólares? 100 créditos = US$1, fijo, comprados en paquetes — no hay suscripción. El borrador de 49 créditos son cuarenta y nueve centavos de crédito; el clip de 30 segundos en 1080P (934) son US$9.34 de créditos.

¿Por qué mi generación falló antes de renderizar nada? La causa más común en esta superficie es un saldo por debajo de la cotización: el despacho se chequea contra tus créditos antes de que el proveedor vea el trabajo, así que un saldo flaco frena una escalada a 1080P que un borrador en 480P habría pasado. Compará la cotización contra tu saldo, o bajá el nivel de resolución, antes de reintentar.

¿Puedo controlar el primer y el último fotograma del mismo clip? Sí — eso es FFLF: subí ambos fotogramas y prompteá la transición entre ellos. Un último fotograma sin inicial lo rechaza el composer.

¿Wan 3.0 genera audio? El audio nativo de salida (voz, ambiente, puntuación) viene encendido por default y cuesta igual lo dejes encendido o apagado. El diálogo citado se preserva palabra por palabra; el lip-sync frame-accurate es el punto débil documentado.

¿Hay marca de agua? No. El toggle existe para cuando lo querés por cumplimiento, pero viene apagado y no cambia el precio.

¿Cuál es el camino más barato a un buen clip de 30 segundos? Nunca explores en el nivel del entregable. Borrá en 480P (241 créditos por los 30 segundos completos), iterá hasta que el lenguaje de movimiento y de cámara aguante, y recién ahí pagá el re-run en 1080P (934) exactamente una vez — para la toma que ya sabés que funciona.

Probalo con el precio a la vista

El flujo solo se mantiene honesto si ves el número antes de comprometerte, y el composer de Wan 3.0 cotiza cada generación por adelantado: 49 créditos el primer borrador, hasta 934 la versión completa de 30 segundos en 1080P. La página de Wan con IA para video tiene el detalle de capacidades en español; Wan 3.0 y Wan 3.0 R2V son los dos composers — referencias van en el segundo. Y si todavía no tenés claro qué motor elegir para tu tipo de plano, la comparación completa está en los mejores modelos de video con IA de 2026.